新型文生图模型CoMat：更好地理解和执行文本描述，提高了文本到图像生成的质量和准确性

来自香港中文大学、商汤科技和上海人工智能实验室的研究人员推出新型文生图模型CoMat，这是一种具有图像到文本概念匹配机制的端到端扩散模型微调策略。开发团队借助图像字幕模型来评估图像与文本的对齐程度，并引导扩散模型重新关注那些被忽略的令牌（tokens）。此外，开发团队还提出了一种新颖的属性集中模块，用以解决属性绑定问题。

无需任何图像或人类偏好数据，开发团队仅使用了2万个文本提示对SDXL进行微调，从而得到了CoMat-SDXL。大量实验表明，CoMat-SDXL在两个文本到图像对齐基准测试中均显著优于基准模型SDXL，并达到了业内领先水平。

例如，你给这个模型一段描述，比如“一只穿着学士服、戴着毕业帽的猫头鹰”，然后模型就能根据这个描述生成一张图片。但是，CoMat不仅仅是生成任何图片，它的特别之处在于能够更好地理解文本中的每个细节，并确保这些细节在生成的图片中得到准确体现。

主要功能和特点：

1. 文本与图像的精确对齐： CoMat通过一个图像到文本的概念匹配机制，确保生成的图片与文本描述紧密结合，每个细节都能在图片中找到对应。
2. 改进的属性绑定： 它还引入了一个属性集中模块，专门解决属性（如颜色、形状）与实体（如猫头鹰、学士服）的精确绑定问题。
3. 无需额外数据： CoMat的训练只需要文本提示，不需要图像或人类偏好数据，这使得模型的训练更加高效和便捷。

工作原理：

1. 概念匹配： 首先，CoMat根据文本提示生成一张图片，然后使用图像描述模型来评估图片与文本的对齐程度。如果发现某些概念在图片中缺失，模型会被引导回去关注那些被忽略的文本部分。
2. 属性集中： 接着，CoMat通过分析文本中的实体和属性，并使用图像分割技术来确定实体在图片中的位置，然后确保这些属性只在实体的区域内被激活。
3. 保真度保留： 为了确保生成的图片质量不下降，CoMat还引入了一个对抗性损失，通过一个鉴别器来区分原始模型和经过微调的模型生成的图片，以避免过度拟合。

具体应用场景：

• 创意设计： 艺术家和设计师可以使用CoMat来生成初步的设计草图，节省时间和资源。

• 社交媒体内容创作： 社交媒体内容创作者可以利用CoMat根据用户的描述生成独特的图像，增加内容的吸引力。

• 教育和培训： 教育工作者可以利用CoMat来创造教学材料，帮助学生更好地理解复杂的概念。

CoMat是一个强大的工具，它通过更好地理解和执行文本描述，提高了文本到图像生成的质量和准确性。